一丶机器学习

KNN：最近邻居算法

根据问题的周围情况推测出问题对象的答案

监督学习：带标签
无监督学习：不带标签

二丶深度学习人话版

找一个x-->y的映射关系f就是深度学习的目的

比如给身高，体重，财富的输入，输出寿命。那么这个推测的过程f就是深度学习

常见的三种输入形式：

1.向量 （身高，体重，财富）

2.矩阵/张量（图片）

3.序列（有前后关系） “你今天吃什么？”

“天”必须在整个句子下才能被了解什么意思

常见的输出形式

1.回归任务（填空题）：如根据以前的温度推测明天的温度

2.分类任务（选择题）:图片：猫/狗；句子：积极/消极

3.生成任务（结构化，简答题）：前后有关联，如文生

多模态：需要多种数据，比如同时需要声音，图像，文字

那么如何开始深度学习？

定一个函数（也就是模型），定义一个合适的损失函数（用于描述与真实函数之间的差距），差距越小模型越好。根据损失函数不断对模型优化

举一个例子：速度与时间的关系，假设我们的模型是一个线性函数

其中y是真实测量的，那么定义损失函数loss为预测值与测量值之差的绝对值，loss是关于未知参数的函数，与输入x输出y无关。说人话就是loss是来判断选的参数w，b怎么样

结果取每一组loss值的平均值以最终损失值

优化：

什么意思？即求当loss值最小（也就是模型最优的时候参数的值），有点类似高等数学的多元微分求极值或者统计学的似然函数

步骤

参数右上角的角标叫做迭代数，η叫做学习率，需要挑选一个合适的学习率。

不断地迭代直到找到最合适的参数